CN110969306B - 基于深度学习的配电低压台区负荷预测方法及装置 - Google Patents
基于深度学习的配电低压台区负荷预测方法及装置 Download PDFInfo
- Publication number
- CN110969306B CN110969306B CN201911235433.4A CN201911235433A CN110969306B CN 110969306 B CN110969306 B CN 110969306B CN 201911235433 A CN201911235433 A CN 201911235433A CN 110969306 B CN110969306 B CN 110969306B
- Authority
- CN
- China
- Prior art keywords
- data
- prediction model
- training
- distribution low
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013135 deep learning Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000005259 measurement Methods 0.000 claims abstract description 44
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims 2
- 238000005516 engineering process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于深度学习的配电低压台区负荷预测方法及装置，其中，方法包括以下步骤：采集配电低压台区量测数据；根据配电低压台区量测数据，通过Adam优化算法，基于反向传播算法迭代更新神经网络权重，并生成预测模型的输入值，训练预测模型；在预测模型满足预设条件后，采集当前配电低压台区量测数据，并将当前配电低压台区量测数据输入训练后的预测模型，得到配电低压台区负荷预测结果。该方法基于LSTM模型，并结合Wide模块与Deep模块的信息表达特性，搭建了一种全新的负荷预测模型，从而提高低压配电台区负荷预测精度。
Description
技术领域
本发明涉及电力***配电网管理技术领域，特别涉及一种基于深度学习的配电低压台区负荷预测方法及装置。
背景技术
近年来，电力***规模不断增大，电网特性越趋复杂；随着新能源的大量接入、新能源汽车的逐渐普及以及智能家电的兴起，复杂多源的因素使得电力***尤其是低压配电台区的负荷预测愈发困难。
负荷预测是电力***规划、计划、调度运行等工作的基础，对保证电网的安全经济运行起着重要的支撑作用。负荷预测从预测的时间范围上可以分为长期、中期、短期和超短期预测。其中短期负荷预测对电网公司的日常运营起到重要的指导和调节作用，精确的预测结果可以更加合理的安排电力的日生产计划，然而，目前负荷预测的方法主要以传统预测方法为主，传统预测放法由于模型复杂度较低，对于电力大数据背景下的信息表达有所欠缺；同时传统的机器学习算法无法加入对时间序列维度信息的表达，因此在时序问题处理方面较为乏力。
发明内容
本申请是基于发明人对以下问题的认识和发现做出的：
随着新一代人工智能技术的兴起，尤其以深度学习和大数据技术的快速发展，为进一步提高负荷预测的精确度奠定了良好的基础。深度学习是近年来兴起的一种基于对数据进行表征学习的方法，是机器学习研究中的一个新的领域，其目的在于建立模拟人脑进行分析学习的神经网络，挖掘数据分布中隐藏的内在规律，并模仿人脑的机制来解释数据；同时深度学习的模型复杂度较高，能够对海量数据信息进行很好的表达。
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种基于深度学习的配电低压台区负荷预测方法，该方法基于LSTM模型，并结合Wide模块与Deep模块的信息表达特性，搭建了一种全新的负荷预测模型，从而提高低压配电台区负荷预测精度。
本发明的另一个目的在于提出一种基于深度学习的配电低压台区负荷预测装置。
为达到上述目的，本发明一方面实施例提出了一种基于深度学习的配电低压台区负荷预测方法，包括以下步骤：采集配电低压台区量测数据；根据所述配电低压台区量测数据，通过Adam优化算法，基于反向传播算法迭代更新神经网络权重，并生成预测模型的输入值，训练所述预测模型；在所述预测模型满足预设条件后，采集当前配电低压台区量测数据，并将所述当前配电低压台区量测数据输入训练后的预测模型，得到配电低压台区负荷预测结果。
本发明实施例的基于深度学习的配电低压台区负荷预测方法，充分发挥电网公司海量历史数据的宝贵价值，以及大数据技术在负荷预测领域的推广应用，并且能够随着训练样本数量的持续增加、数据特征的多元化变化，可以有效提升模型对数据分布规律的表达效果；不依赖过多外部数据，仅需电网正常采集的数据即可进行预测，故不需要增加额外的信息采集设备，可以较为经济的实现预测，同时还能得到较为准确的预测结果；模型综合效果较好，能够对多特征维度及时序性特征的电力负荷数据信息进行很好的表达。
另外，根据本发明上述实施例的基于深度学习的配电低压台区负荷预测方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述采集配电低压台区量测数据，包括：对所述配电低压台区量测数据进行异常数据分析、数据分布分析、缺省值填补、异常数据剔除、数值型数据、类别型数据与特征工程处理。
进一步地，在本发明的一个实施例中，训练所述预测模型，包括：将处理后的配电低压台区量测数据划分成训练集、验证集和测试集；通过所述训练集来训练所述预测模型并调整模型参数；通过所述验证集对所述预测模型进行选优与微调，得到最优预测模型；通过所述测试集对最优预测模型效果进行测试，生成最终预测模型。
进一步地，在本发明的一个实施例中，在训练所述预测模型之后，还包括：检测所述最终预测模型的负荷预测误差；若所述负荷预测误差小于或等于预设值，则判定满足所述预设条件；若所述负荷预测误差大于所述预设值，则判定不满足所述预设条件。
进一步地，在本发明的一个实施例中，所述Adam优化算法的公式为：
其中，mt、vt分别是对梯度的一阶矩估计和二阶矩估计，是修正后的值,β1和β2为修正系数，α为学习率，，gt为梯度，/>为迭代后修正系数，/>为迭代后修正系数，mt-1为前次迭代一阶矩估计结果，vt-1为前次迭代二阶矩估计结果。
为达到上述目的，本发明另一方面实施例提出了一种基于深度学习的配电低压台区负荷预测装置，包括：采集模块，用于采集配电低压台区量测数据；迭代更新模块，用于根据所述配电低压台区量测数据，通过Adam优化算法，基于反向传播算法迭代更新神经网络权重，并生成预测模型的输入值，训练所述预测模型；预测模块，用于在所述预测模型满足预设条件后，采集当前配电低压台区量测数据，并将所述当前配电低压台区量测数据输入训练后的预测模型，得到配电低压台区负荷预测结果。
本发明实施例的基于深度学习的配电低压台区负荷预测装置，充分发挥电网公司海量历史数据的宝贵价值，以及大数据技术在负荷预测领域的推广应用，并且能够随着训练样本数量的持续增加、数据特征的多元化变化，可以有效提升模型对数据分布规律的表达效果；不依赖过多外部数据，仅需电网正常采集的数据即可进行预测，故不需要增加额外的信息采集设备，可以较为经济的实现预测，同时还能得到较为准确的预测结果；模型综合效果较好，能够对多特征维度及时序性特征的电力负荷数据信息进行很好的表达。
另外，根据本发明上述实施例的基于深度学习的配电低压台区负荷预测装置还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述采集模块进一步用于对所述配电低压台区量测数据进行异常数据分析、数据分布分析、缺省值填补、异常数据剔除、数值型数据、类别型数据与特征工程处理。
进一步地，在本发明的一个实施例中，训练所述预测模型，包括：将处理后的配电低压台区量测数据划分成训练集、验证集和测试集；通过所述训练集来训练所述预测模型并调整模型参数；通过所述验证集对所述预测模型进行选优与微调，得到最优预测模型；通过所述测试集对最优预测模型效果进行测试，生成最终预测模型。
进一步地，在本发明的一个实施例中，还包括：检测模块，用于在训练所述预测模型之后，检测所述最终预测模型的负荷预测误差；判定模块，用于在所述负荷预测误差小于或等于预设值时，判定满足所述预设条件；在所述负荷预测误差大于所述预设值时，判定不满足所述预设条件。
进一步地，在本发明的一个实施例中，所述Adam优化算法的公式为：
其中，mt、vt分别是对梯度的一阶矩估计和二阶矩估计，是修正后的值,β1和β2为修正系数，α为学习率，gt为梯度，/>为迭代后修正系数，/>为迭代后修正系数，mt-1为前次迭代一阶矩估计结果，vt-1为前次迭代二阶矩估计结果。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明实施例的基于深度学习的配电低压台区负荷预测方法的流程图；
图2为根据本发明一个实施例的基于深度学习的配电低压台区负荷预测方法的流程图；
图3为根据本发明实施例的模型输入与输出层数据构成说明示意图；
图4为根据本发明实施例的基于深度学习的配电低压台区负荷预测装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
针对背景技术的技术问题，本发明实施例基于实际低压配电台区的负荷预测需求提出了一种负荷预测方法及装置，基于LSTM模型，并结合Wide模块与Deep模块的信息表达特性，搭建了一种全新的负荷预测模型，从而提高低压配电台区负荷预测精度。
下面参照附图描述根据本发明实施例提出的基于深度学习的配电低压台区负荷预测方法及装置，首先将参照附图描述根据本发明实施例提出的基于深度学习的配电低压台区负荷预测方法。
图1是本发明一个实施例的基于深度学习的配电低压台区负荷预测方法的流程图。
如图1所示，该基于深度学习的配电低压台区负荷预测方法包括以下步骤：
在步骤S101中，采集配电低压台区量测数据。
其中，在本发明的一个实施例中，采集配电低压台区量测数据，包括：对配电低压台区量测数据进行异常数据分析、数据分布分析、缺省值填补、异常数据剔除、数值型数据、类别型数据与特征工程处理。
具体而言，如图2所示，“数据决定了机器学习模型的上限，而算法只是尽可能逼近这个上限”，因此为了能够训练出效果好的模型，需要对训练模型的数据进行处理，具体包括：
1)异常数据分析。根据箱型图的离群数据判定原则，定义数据w的异常判据：
式中Q1和Q3分别为第一四分位数和第三四分位数；IQR为四分位距。
2)数据分布分析。为了确定有功负荷的时间分布，通过将所采集到样本的有功功率进行绘图，从而大致确定高峰负荷时段的时间节点。
3)缺省值填补。缺省值的处理方法众多，并且根据不同的实际问题选择不同的处理方法，常见的有填充均值、众数、中位数等。由于电力量测参数具有时间连续性，且在非故障时刻往往不会存在短时间内的数值跃变，故本文将t时刻的缺省值近似用t-1时刻的数值进行填补。
4)异常数据剔除。通过公式(1)对异常数据进行筛选，对异常离群数据进行剔除，并按照3)中的缺省值填充方法进行填充。
5)数值型数据。各输入的数值型特征数据的取值范围不同，数值上存在明显的大小关系，因此需要对输入的数值型特征数据按每个特征进行归一化处理：
式中：为第i个样本的第n个数值型特征数据；min(x(n))与max(x(n))分别是第n个数值型特征数据的最小值与最大值；/>为经归一化处理后的第i个样本的第n个特征数据。
6)类别型数据。类别型能够反映某一个样本特定的某一特征属性，同时为了能够让计算机“读懂”该类别的特殊性，因此需要对类别型数据进行独热向量编码(one-hot-encoding)。
7)特征工程。特征工程指的是把原始数据转变为模型的训练数据的过程，它的目的就是获取更好的训练数据特征，使得机器学习模型逼近数据上限。特征工程在机器学习中占有非常重要的作用，能使得模型的性能得到提升。即通过特征提取对原始特征数据的隐藏信息进行提取，从而挖掘出其含有的重要特征信息。本文考虑到电力负荷的用电特性，将时间特征进行特征提取，新的特征数据为月份属性、星期属性、小时属性、工作日属性、高峰负荷时间属性，并利用独热向量编码规则进行编码。
在步骤S102中，根据配电低压台区量测数据，，基于反向传播算法通过Adam优化算法迭代更新神经网络权重，并生成预测模型的输入值，训练预测模型。
其中，Adam(adaptive moment estimation)优化算法是随机梯度下降算法的扩展式，近年来广泛应用于深度学习中，是一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重。
Adam算法和传统的随机梯度下降不同。随机梯度下降保持单一的学习率(即alpha)更新所有的权重，学习率在训练过程中并不会改变。而Adam通过利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率。Adam算法同时获得了AdaGrad和RMSProp算法的优点。Adam不仅如RMSProp算法那样基于一阶矩均值计算适应性参数学习率，它同时还充分利用了梯度的二阶矩均值(即有偏方差/uncentered variance)。
Adam的优点主要在于经过偏置校正后，每一次迭代学***稳。公式如下：
其中mt、vt分别是对梯度的一阶矩估计和二阶矩估计，是修正后的值，本文采用学习率α为0.006，修正系数β1和β2分别为0.9和0.999，ε为10-8。
可以理解的是，由于低压配电台区的采集数据往往包含有功功率、无功功率、电压、电流以及采集时刻的信息记录。因此通过数据处理与特征工程将处理后的数据作为模型输入。具体流程图如附图3所示。
进一步地，在本发明的一个实施例中，训练预测模型，包括：将处理后的配电低压台区量测数据划分成训练集、验证集和测试集；通过训练集来训练预测模型并调整模型参数；通过验证集对预测模型进行选优与微调，得到最优预测模型；通过测试集对最优预测模型效果进行测试，生成最终预测模型。
可以理解的是，一般将经过数据处理后的高质量数据按照50％、30％、20％的比例划分为训练集、验证集和测试集。通过训练集来训练模型调整模型参数。通过验证集来对模型进行选优与微调，得到最优化模型。最后通过测试集对最优化的模型效果进行测试。
在步骤S103中，在预测模型满足预设条件后，采集当前配电低压台区量测数据，并将当前配电低压台区量测数据输入训练后的预测模型，得到配电低压台区负荷预测结果。
其中，在本发明的一个实施例中，在训练预测模型之后，还包括：检测最终预测模型的负荷预测误差；若负荷预测误差小于或等于预设值，则判定满足预设条件；若负荷预测误差大于预设值，则判定不满足预设条件。
具体而言，负荷预测的误差评价指标较多，包括绝对误差(AE)、相对误差(RE)、最大/最小相对误差(MaxRE/MinRE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)以及预测结果不合格率等。为了保证指标的灵敏性并结合配电低压台区负荷预测实际应用需求，选用均方根百分比误差和平均绝对百分比误差作为预测效果判断的依据。
评估指标1—均方根误差RMSPE，公式为：
评估指标2—绝对误差百分数MAPE，公式为：
综上，本发明实施例提出的基于深度学习的配电低压台区负荷预测方法，充分发挥电网公司海量历史数据的宝贵价值，以及大数据技术在负荷预测领域的推广应用，并且能够随着训练样本数量的持续增加、数据特征的多元化变化，可以有效提升模型对数据分布规律的表达效果；不依赖过多外部数据，仅需电网正常采集的数据即可进行预测，故不需要增加额外的信息采集设备，可以较为经济的实现预测，同时还能得到较为准确的预测结果；模型综合效果较好，能够对多特征维度及时序性特征的电力负荷数据信息进行很好的表达。
其次参照附图描述根据本发明实施例提出的基于深度学习的配电低压台区负荷预测装置。
图4是本发明一个实施例的基于深度学习的配电低压台区负荷预测装置的结构示意图。
如图4所示，该基于深度学习的配电低压台区负荷预测装置10包括：采集模块100、迭代更新模块200和预测模块300。
其中，采集模块100用于采集配电低压台区量测数据；迭代更新模块200用于根据配电低压台区量测数据，基于反向传播算法通过Adam优化算法迭代更新神经网络权重，并生成预测模型的输入值，训练预测模型；预测模块300用于在预测模型满足预设条件后，采集当前配电低压台区量测数据，并将当前配电低压台区量测数据输入训练后的预测模型，得到配电低压台区负荷预测结果。本发明实施例的装置10基于LSTM模型，并结合Wide模块与Deep模块的信息表达特性，搭建了一种全新的负荷预测模型，从而提高低压配电台区负荷预测精度。
进一步地，在本发明的一个实施例中，采集模块100进一步用于对配电低压台区量测数据进行异常数据分析、数据分布分析、缺省值填补、异常数据剔除、数值型数据、类别型数据与特征工程处理。
进一步地，在本发明的一个实施例中，训练预测模型，包括：将处理后的配电低压台区量测数据划分成训练集、验证集和测试集；通过训练集来训练预测模型并调整模型参数；通过验证集对预测模型进行选优与微调，得到最优预测模型；通过测试集对最优预测模型效果进行测试，生成最终预测模型。
进一步地，在本发明的一个实施例中，本发明实施例的装置10还包括：检测模块和判定模块。其中，检测模块，用于在训练预测模型之后，检测最终预测模型的负荷预测误差；判定模块，用于在负荷预测误差小于或等于预设值时，判定满足预设条件；在负荷预测误差大于预设值时，判定不满足预设条件。
进一步地，在本发明的一个实施例中，Adam优化算法的公式为：
其中，mt、vt分别是对梯度的一阶矩估计和二阶矩估计，是修正后的值,β1和β2为修正系数，α为学习率，，gt为梯度，/>为迭代后修正系数，/>为迭代后修正系数，mt-1为前次迭代一阶矩估计结果，vt-1为前次迭代二阶矩估计结果。
需要说明的是，前述对基于深度学习的配电低压台区负荷预测方法实施例的解释说明也适用于该实施例的基于深度学习的配电低压台区负荷预测装置，此处不再赘述。
根据本发明实施例提出的基于深度学习的配电低压台区负荷预测装置，充分发挥电网公司海量历史数据的宝贵价值，以及大数据技术在负荷预测领域的推广应用，并且能够随着训练样本数量的持续增加、数据特征的多元化变化，可以有效提升模型对数据分布规律的表达效果；不依赖过多外部数据，仅需电网正常采集的数据即可进行预测，故不需要增加额外的信息采集设备，可以较为经济的实现预测，同时还能得到较为准确的预测结果；模型综合效果较好，能够对多特征维度及时序性特征的电力负荷数据信息进行很好的表达。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种基于深度学习的配电低压台区负荷预测方法，其特征在于，包括以下步骤：
采集配电低压台区量测数据；
根据所述配电低压台区量测数据，通过Adam优化算法，基于反向传播算法迭代更新神经网络权重，并生成预测模型的输入值，训练所述预测模型；以及
在所述预测模型满足预设条件后，采集当前配电低压台区量测数据，并将所述当前配电低压台区量测数据输入训练后的预测模型，得到配电低压台区负荷预测结果；
其中，所述采集配电低压台区量测数据，包括：
对所述配电低压台区量测数据进行异常数据分析、数据分布分析、缺省值填补、异常数据剔除、数值型数据、类别型数据与特征工程处理；
所述异常数据分析，包括：
根据箱型图的离群数据判定原则，定义数据的异常判据，其中，所述异常判据表示为：
其中，Q1和Q3分别为第一四分位数和第三四分位数，IQR为四分位距；
所述数据分布分析，包括：
将采集到样本的有功功率进行绘图，从而确定高峰负荷时段的时间节点；
所述缺省值填补，包括：
通过t-1时刻的数值对t时刻的数值进行填补；
所述异常数据剔除，包括：
通过所述异常判据对异常数据进行筛选，对异常离群数据进行剔除，并按照所述缺省值填补的方法对剔除的数据进行填充；
对输入的数值型特征数据按每个特征进行归一化处理，表示为：
其中，为第i个样本的第n个数值型特征数据；min(x(n))与max(x(n))分别是第n个数值型特征数据的最小值与最大值；/>为经归一化处理后的第i个样本的第n个特征数据；
对所述类别型数据进行独热向量编码；
所述特征工程，包括：
将时间特征进行特征提取，获得新的特征数据，并利用独热向量编码规则进行编码，其中，所述新的特征数据为月份属性、星期属性、小时属性、工作日属性、高峰负荷时间属性；
训练所述预测模型，包括：
将处理后的配电低压台区量测数据划分成训练集、验证集和测试集；
通过所述训练集来训练所述预测模型并调整模型参数；
通过所述验证集对所述预测模型进行选优与微调，得到最优预测模型；
通过所述测试集对最优预测模型效果进行测试，生成最终预测模型；
其中，所述通过所述训练集来训练所述预测模型并调整模型参数，包括：
将所述训练数据集中不同类型的数据输入对应的处理模块进行处理，并将处理后的数据进行拼接和激活，之后通过输出层输出，使用输出数据训练所述预测模型，其中，所述处理模块包括Wide模块和Deep模块。
2.根据权利要求1所述的方法，其特征在于，在训练所述预测模型之后，还包括：
检测所述最终预测模型的负荷预测误差；
若所述负荷预测误差小于或等于预设值，则判定满足所述预设条件；
若所述负荷预测误差大于所述预设值，则判定不满足所述预设条件。
3.根据权利要求1-2任一项所述的方法，其特征在于，所述Adam优化算法的公式为：
其中，mt、vt分别是对梯度的一阶矩估计和二阶矩估计，是修正后的值,β1和β2为修正系数，α为学习率，gt为梯度，/>为迭代后修正系数，/>为迭代后修正系数，mt-1为前次迭代一阶矩估计结果，vt-1为前次迭代二阶矩估计结果。
4.一种基于深度学习的配电低压台区负荷预测装置，其特征在于，包括：
采集模块，用于采集配电低压台区量测数据；
迭代更新模块，用于根据所述配电低压台区量测数据，通过Adam优化算法，基于反向传播算法迭代更新神经网络权重，并生成预测模型的输入值，训练所述预测模型；以及
预测模块，用于在所述预测模型满足预设条件后，采集当前配电低压台区量测数据，并将所述当前配电低压台区量测数据输入训练后的预测模型，得到配电低压台区负荷预测结果；
其中，所述采集模块进一步用于对所述配电低压台区量测数据进行异常数据分析、数据分布分析、缺省值填补、异常数据剔除、数值型数据、类别型数据与特征工程处理；
所述异常数据分析，包括：
根据箱型图的离群数据判定原则，定义数据的异常判据，其中，所述异常判据表示为：
其中，Q1和Q3分别为第一四分位数和第三四分位数，IQR为四分位距；
所述数据分布分析，包括：
将采集到样本的有功功率进行绘图，从而确定高峰负荷时段的时间节点；
所述缺省值填补，包括：
通过t-1时刻的数值对t时刻的数值进行填补；
所述异常数据剔除，包括：
通过所述异常判据对异常数据进行筛选，对异常离群数据进行剔除，并按照所述缺省值填补的方法对剔除的数据进行填充；
对输入的数值型特征数据按每个特征进行归一化处理，表示为：
其中，为第i个样本的第n个数值型特征数据；min(x(n))与max(x(n))分别是第n个数值型特征数据的最小值与最大值；/>为经归一化处理后的第i个样本的第n个特征数据；
对所述类别型数据进行独热向量编码；
所述特征工程，包括：
将时间特征进行特征提取，获得新的特征数据，并利用独热向量编码规则进行编码，其中，所述新的特征数据为月份属性、星期属性、小时属性、工作日属性、高峰负荷时间属性；
训练所述预测模型，包括：
将处理后的配电低压台区量测数据划分成训练集、验证集和测试集；
通过所述训练集来训练所述预测模型并调整模型参数；
通过所述验证集对所述预测模型进行选优与微调，得到最优预测模型；
通过所述测试集对最优预测模型效果进行测试，生成最终预测模型；
其中，所述通过所述训练集来训练所述预测模型并调整模型参数，包括：
将所述训练数据集中不同类型的数据输入对应的处理模块进行处理，并将处理后的数据进行拼接和激活，之后通过输出层输出，使用输出数据训练所述预测模型，其中，所述处理模块包括Wide模块和Deep模块。
5.根据权利要求4所述的装置，其特征在于，还包括：
检测模块，用于在训练所述预测模型之后，检测所述最终预测模型的负荷预测误差；
判定模块，用于在所述负荷预测误差小于或等于预设值时，判定满足所述预设条件；在所述负荷预测误差大于所述预设值时，判定不满足所述预设条件。
6.根据权利要求4-5任一项所述的装置，其特征在于，所述Adam优化算法的公式为：
其中，mt、vt分别是对梯度的一阶矩估计和二阶矩估计，是修正后的值,β1和β2为修正系数，α为学习率，gt为梯度，/>为迭代后修正系数，/>为迭代后修正系数，mt-1为前次迭代一阶矩估计结果，vt-1为前次迭代二阶矩估计结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911235433.4A CN110969306B (zh) | 2019-12-05 | 2019-12-05 | 基于深度学习的配电低压台区负荷预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911235433.4A CN110969306B (zh) | 2019-12-05 | 2019-12-05 | 基于深度学习的配电低压台区负荷预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110969306A CN110969306A (zh) | 2020-04-07 |
| CN110969306B true CN110969306B (zh) | 2023-09-19 |
Family
ID=70033041
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911235433.4A Active CN110969306B (zh) | 2019-12-05 | 2019-12-05 | 基于深度学习的配电低压台区负荷预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110969306B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112050397A (zh) * | 2020-08-27 | 2020-12-08 | 浙江省邮电工程建设有限公司 | 一种机房温度调控方法及*** |
| CN112232714B (zh) * | 2020-11-18 | 2023-06-20 | 中国科学院电工研究所 | 一种基于深度学习的结构参数不完备下配电网风险评估方法 |
| CN114186739A (zh) * | 2021-12-02 | 2022-03-15 | 国网辽宁省电力有限公司沈阳供电公司 | 基于深度学习的台区短期负荷预测方法 |
| CN114118862A (zh) * | 2021-12-07 | 2022-03-01 | 双良节能***股份有限公司 | 一种换热站动态热负荷预测与调控方法及*** |
| CN114997477A (zh) * | 2022-05-20 | 2022-09-02 | 国网江苏省电力有限公司苏州供电分公司 | 低压居民台区负荷预测方法和*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107247737A (zh) * | 2017-05-10 | 2017-10-13 | 国家电网公司 | 基于用电量的台区违约用电分析与挖掘方法 |
| CN109002942A (zh) * | 2018-09-28 | 2018-12-14 | 河南理工大学 | 一种基于随机神经网络的短期负荷预测方法 |
| CN109242180A (zh) * | 2018-08-31 | 2019-01-18 | 合肥工业大学 | 中长期电力负荷预测方法和*** |
| CN109766950A (zh) * | 2019-01-18 | 2019-05-17 | 东北大学 | 一种基于形态聚类和LightGBM的工业用户短期负荷预测方法 |
| CN110084424A (zh) * | 2019-04-25 | 2019-08-02 | 国网浙江省电力有限公司 | 一种基于lstm与lgbm的电力负荷预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11315012B2 (en) * | 2018-01-12 | 2022-04-26 | Intel Corporation | Neural network training using generated random unit vector |
-
2019
- 2019-12-05 CN CN201911235433.4A patent/CN110969306B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107247737A (zh) * | 2017-05-10 | 2017-10-13 | 国家电网公司 | 基于用电量的台区违约用电分析与挖掘方法 |
| CN109242180A (zh) * | 2018-08-31 | 2019-01-18 | 合肥工业大学 | 中长期电力负荷预测方法和*** |
| CN109002942A (zh) * | 2018-09-28 | 2018-12-14 | 河南理工大学 | 一种基于随机神经网络的短期负荷预测方法 |
| CN109766950A (zh) * | 2019-01-18 | 2019-05-17 | 东北大学 | 一种基于形态聚类和LightGBM的工业用户短期负荷预测方法 |
| CN110084424A (zh) * | 2019-04-25 | 2019-08-02 | 国网浙江省电力有限公司 | 一种基于lstm与lgbm的电力负荷预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110969306A (zh) | 2020-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110969306B (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 | |
| Lin et al. | An improved moth-flame optimization algorithm for support vector machine prediction of photovoltaic power generation | |
| Wang et al. | Decision tree based online stability assessment scheme for power systems with renewable generations | |
| CN110474339B (zh) | 一种基于深度发电负荷预测的电网无功控制方法 | |
| CN113496311A (zh) | 光伏电站发电功率预测方法及*** | |
| CN105701562B (zh) | 训练方法、所适用的预测发电功率的方法及各自*** | |
| CN111476435A (zh) | 基于密度峰值的充电桩负荷预测方法 | |
| CN114021848A (zh) | 一种基于lstm深度学习的发电量需求预测方法 | |
| CN111881961A (zh) | 基于数据挖掘的配电网故障风险等级预测方法 | |
| CN115965132A (zh) | 基于ga-bp神经网络的分布式光伏数字孪生***功率预测方法 | |
| CN112348236B (zh) | 用于智能用电监测终端的异常日负荷需求预测***与方法 | |
| CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力***短期负荷预测方法 | |
| CN107563641B (zh) | 一种计及灾害偏好的配电网抗灾多场景差异化规划方法 | |
| CN108256693A (zh) | 一种光伏发电功率预测方法、装置及*** | |
| CN116796906A (zh) | 基于数据融合的电力配电网投资预测分析***及方法 | |
| Sun et al. | Support vector machines with PSO algorithm for short-term load forecasting | |
| CN108123436B (zh) | 基于主成分分析和多元回归算法的电压越限预测模型 | |
| CN114118587B (zh) | 分布式光伏的电能质量评估方法及***、设备、存储介质 | |
| CN114372615A (zh) | 一种考虑空间相关性的短期光伏功率预测方法及*** | |
| CN111340525A (zh) | 一种分时电价尖峰电价的确定方法和*** | |
| Huang et al. | Probabilistic prediction intervals of wind speed based on explainable neural network | |
| CN117878979B (zh) | 基于电储能的功率平衡及动态补偿*** | |
| CN117833242B (zh) | 基于数字孪生的电力能源智能调度方法及*** | |
| Li et al. | Probabilistic load forecasting of adaptive multiple polynomial regression considering temperature scenario and dummy variables | |
| CN112271721B (zh) | 一种基于条件Copula函数的风电功率预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |